Characterizing Polarization in Social Networks using the Signed Relational Latent Distance Model

要約

グラフ表現学習は、一般的なネットワーク、特にソーシャルネットワークの構造を特徴づけ、理解するための有力なツールとなっている。一般に、これらの表現学習アプローチは、ネットワークを低次元空間に埋め込み、その中で各個人の役割を潜在的な位置という観点から特徴付けることができる。ソーシャルネットワークにおける現在の主な懸念は、極端な立場によって定義され、最終的に政治的暴力や民主主義の侵食につながると考えられる「私たち対彼ら」の考え方を促進する分極化とフィルターバブルの出現です。このような極性化したネットワークは、通常、好き嫌いを反映した符号付きリンクの観点から特徴づけられる。我々は、符号付きネットワークの尤度関数として初めてSkellam分布を利用したSigned relational Latent dIstance Model（SLIM）を提案し、埋め込み空間をポリトープに拘束することによって、極端な立場の特徴づけにモデル化を拡張する。このモデルは、多面体に制限された埋込み空間を与えることで、極端な立場によって定義された解釈可能な可視化を提供しながら、友人関係や反感をよく予測する低次元特性を抽出することを実証する。

要約(オリジナル)

Graph representation learning has become a prominent tool for the characterization and understanding of the structure of networks in general and social networks in particular. Typically, these representation learning approaches embed the networks into a low-dimensional space in which the role of each individual can be characterized in terms of their latent position. A major current concern in social networks is the emergence of polarization and filter bubbles promoting a mindset of ‘us-versus-them’ that may be defined by extreme positions believed to ultimately lead to political violence and the erosion of democracy. Such polarized networks are typically characterized in terms of signed links reflecting likes and dislikes. We propose the latent Signed relational Latent dIstance Model (SLIM) utilizing for the first time the Skellam distribution as a likelihood function for signed networks and extend the modeling to the characterization of distinct extreme positions by constraining the embedding space to polytopes. On four real social signed networks of polarization, we demonstrate that the model extracts low-dimensional characterizations that well predict friendships and animosity while providing interpretable visualizations defined by extreme positions when endowing the model with an embedding space restricted to polytopes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL